Comment supprimer une balise HTML dans Java

Question

Existe-t-il une expression régulière qui peut supprimer complètement une balise HTML? En passant, j'utilise Java.

Answer 1

Vous devez utiliser un analyseur HTML à la place. J'aime htmlCleaner, car il me donne une jolie version imprimée du HTML.

Avec htmlCleaner vous pouvez faire:

TagNode root = htmlCleaner.clean(stream); 
Object[] found = root.evaluateXPath("//div[id='something']"); 
if(found.length > 0 && found instanceof TagNode) { 
    ((TagNode)found[0]).removeFromTree(); 
} 

Answer 2

No. Les expressions régulières ne peuvent pas par définition Parse HTML.

Vous pouvez utiliser une regex à s/<[^>]*\>// ou quelque chose de naïf comme ça mais ce sera insuffisant, surtout si vous êtes intéressé par la suppression du contenu des tags.

Comme le dit une autre affiche, utilisez un analyseur HTML réel.

Answer 3

Si vous avez juste besoin de supprimer les balises, vous pouvez utiliser cette expression régulière:

content = content.replaceAll("<[^>]+>", ""); 

Il va supprimer les balises uniquement, mais pas d'autres choses HTML. Pour les choses plus complexes, vous devriez utiliser l'analyseur.

EDIT: Pour éviter les problèmes avec les commentaires HTML, vous pouvez effectuer les opérations suivantes:

content = content.replaceAll("<!--.*?-->", "").replaceAll("<[^>]+>", ""); 

Answer 4

Par ailleurs, si votre intention est de affichage au client entrée contrôlée par l'utilisateur, vous pouvez également il suffit de remplacer tous < par < et tous > par >. De cette façon, le HTML ne sera pas interprété tel quel par l'application du client (le webbrowser).

Si vous utilisez JSP en tant que technologie d'affichage, vous pouvez utiliser le c:out de JSTL pour cela. Il va échapper toutes les entités HTML par défaut. Par exemple,

<c:out value="<script>alert('XSS');</script>" /> 

n'affichera PAS l'alerte, mais montrera simplement la chaîne actuelle telle quelle.

Answer 5

vous pouvez utiliser ce code simple pour supprimer toutes les balises html ...

htmlString.replaceAll("\\<.*?\\>", "")) 

Answer 6

Il est JSoup qui est une bibliothèque java fait pour la manipulation HTML. Regardez la méthode clean() et l'objet WhiteList. Solution facile à utiliser!

Answer 7

Vous n'avez besoin d'aucun analyseur HTML. Le code ci-dessous supprime tous les commentaires HTML:

htmlString = htmlString.replaceAll("(?s)<!--.*?-->", "");